① 關於卷積神經網路的卷積核個數問題
第二個卷積核是 16個，每個卷積核是5*5*6，也就是說每個卷積核是6通道的
② 現在tensorflow和mxnet很火，是否還有必要學習scikit-learn等框架
很有必要，但不用太深入，在Kaggle上認真搞2,3個比賽能進10%的程度就夠了
③ 如何將矩陣數據直接傳入卷積神經網路
你好，對信號的特徵提取在數學上看其實就是做一個濾波的運算，實際上都是通過卷積來實現的。下面是一個matlab的實現：
function r= my_conv(a, b)
m=length(a);
n=length(b);
r=zeros(1, m+n-1);
for k = 1:m
c = a(k)*b;
d = r(1, k:k+n-1);
d = d+c;
r(1, k:k+n-1) = d;
end
④ 為什麼卷積神經網路最後預測輸出結果都是0
0代表0個map，0個特徵，這應該是卷積神經網路的卷積核大小、個數，卷積層數設置過程中的問題。
⑤ cnn 卷積神經網路 在1080 gpu 速度反而沒有 940m 快 為什麼
不一定，但gpu往往比cpu快數十倍。
cpu速度也是非常快的，根據cpu核心數適當開多線程可以成倍提升速度。
⑥ 識別數字，bp神經網路演算法，卷積神經網路演算法，svm演算法，adaboost演算法哪種好
看數字圖片而定。如果圖片較小並且質量還不錯，那麼通過2層的神經網路就能勝任。
對於MNIst數據集（28*28的手寫數字），2層神經網路准確率可達99%，svm也有98%以上。
以上實現非常簡單，matlab已經有現成工具箱。
卷積神經網路通常用於更加復雜的場合，閉合是被圖像內容等。在MNIST數據集上cnn可達99.7%准確率，但是實現起來較為復雜，需要通過開源框架caffe，keras等進行編程。
如果對准確率要求沒有達到小數點後兩位的程度，用簡單的svm，神經網路，softmax等調調參數就行了。
⑦ 卷積神經網路LeNet-5結構卷積采樣中加偏置Bx的作用是什麼
簡單的講吧
h(x)=f(wx+b）
上式子就是神經元所表示的函數，x表示輸入，w表示權重，b表示偏置，f表示激活函數，h(x)表示輸出。
訓練卷積神經網路的過程就是不斷調整權重w與偏置b的過程，以使其輸出h(x)達到預期值。
權重w與偏置b就相當於神經元的記憶。
至於你說的為什麼要偏置b可以看看這個博客http://blog.csdn.net/xwd18280820053/article/details/70681750
從其根本上講，就是不加偏置b的話，上面的函數就必定經過原點，進行分類的適用范圍就少了不是嗎
⑧ 卷積神經網路使用哪種框架最好 TensorFlow or Caffe
tensorflow跟caffe、mxnet、pytorch等一樣是一個深度學習工具箱，其中當然也包含卷積神經網路工具箱。